fundamenter for Epidemiologi
efter at have læst dette kapitel vil du kunne gøre følgende:
- forklare, hvad effekt modifikation er
- skelne mellem confounders og effekt modifikatorer
- foretage en stratificeret analyse for at afgøre, om effekt modifikation er til stede i dataene
i det foregående kapitel, vi diskuterede confounding. En confounder, vil du huske, er en tredje variabel, der, hvis den ikke kontrolleres korrekt, fører til et forudindtaget skøn over foreningen. Effektændring involverer også en tredje variabel (ikke eksponeringen og ikke resultatet)—men i dette tilfælde ønsker vi absolut ikke at kontrollere det. Snarere er tilstedeværelsen af effektmodifikation i sig selv et interessant fund, og vi fremhæver det.
når effektmodifikation (også kaldet interaktion) er til stede, vil der være forskellige resultater for forskellige niveauer af den tredje variabel (også kaldet en kovariabel). For eksempel, hvis vi laver en kohortestudie om mængden af søvn og GPA blandt Oregon State University (OSU) studerende i løbet af en periode, kan vi indsamle disse data:
| GPA | |||
| < 3.0 | ≥ 3.0 | ||
| mængde søvn | < 8 timer | 25 | 25 |
| > 8 timer | 25 | 25 | |
da dette var en kohortestudie, beregner vi risikoforholdet (RR):
der er ingen sammenhæng mellem mængden af søvn og efterfølgende GPA. Ved hjælp af skabelonsætningen kan dette angives:
dette er et risikoforhold fra en kohortestudie, så vi er nødt til at medtage tidsrammen—hvilket jeg gjorde ved at sige “for at afslutte udtrykket”. Ligesom for confounding henviser vi til dette som den ujusterede eller rå RR.
fra at tale med studerende spekulerer vi imidlertid på, om køn kan være en vigtig kovariabel eller ej. Som med confounding, ville vi foretage en stratificeret analyse for at kontrollere for effekt modifikation. Igen tegner vi 2 liter 2 tabeller med samme eksponering (søvn) og resultat (GPA), men tegner separate tabeller for mænd og kvinder (køn er den kovariable). Vi gør dette ved at se tilbage på rådataene og finde ud af, hvor mange af de 25 personer i A (E+, D+) cellen ovenfor var mænd, og hvor mange var kvinder. Lad os antage det af de 25 personer, der rapporterede <8 timer og havde en GPA < 3.0, 11 var mænd og 14 var kvinder. Vi deler derefter deltagerne på samme måde fra B -, C-og D-cellerne og laver stratumspecifikke 2 gange 2-tabeller:
| mænd | GPA | ||
| < 3.0 | ≥ 3.0 | ||
| mængde søvn | < 8 timer | 11 | 14 |
| 8+ timer | 17 | 9 | |
| kvinder | GPA | ||
| < 3.0 | ≥ 3.0 | ||
| mængde søvn | < 8 timer | 14 | 11 |
| 8+ timer | 8 | 16 | |
RRmen= \frac {(\frac{11}{25})}{(\frac{17}{26})} = 0.68
Rrkvinder= \frac {(\frac{14}{25})}{(\frac{8}{24})} = 1.7
fortolkninger:
blandt mandlige studerende havde de, der sov færre end 8 timer pr.nat, 0,68 gange risikoen for at have en GPA < 3.0 i slutningen af termen sammenlignet med dem, der rapporterede 8 eller flere timer.
blandt kvindelige studerende havde de, der sov færre end 8 timer pr.nat, 1,7 gange risikoen for at have en GPA < 3,0 i slutningen af termen sammenlignet med dem, der rapporterede 8 eller flere timer.
sove færre end 8 timer er forbundet—i disse hypotetiske data—med en højere GPA blandt mandlige studerende (“resultatet” er lav GPA, så en RR mindre end 1 indikerer, at udsatte personer er mindre tilbøjelige til at have en lav GPA) men med en lavere GPA blandt kvindelige studerende.
køn i dette tilfælde fungerer som en effektmodifikator: sammenhængen mellem søvn og GPA varierer alt efter lag af det kovariable. Du kan få øje på effektændring, når du foretager stratificeret analyse givet følgende:
- de stratumspecifikke associeringsforanstaltninger er forskellige end hinanden
- råden falder imellem dem
hvis du har effektændring, er det næste trin at rapportere de stratumspecifikke foranstaltninger. Vi beregner ikke en justeret foranstaltning (det ville være nær 1,0, svarende til rå); det interessante her er, at mænd og kvinder reagerer på at sove anderledes. Effektændring er noget, vi vil fremhæve i vores resultater, ikke noget, der skal justeres væk.
i modsætning til for confounding, hvor en 10% ændring fra rå til justeret er en accepteret definition for confounding, findes der ingen sådan standardiseret definition for, hvor forskellige de stratumspecifikke foranstaltninger skal være for at kalde noget en effektmodifikator. Tærsklen skal nok være højere end den, der er nødvendig for at erklære noget en confounder, for når du først erklærer noget en effektmodifikator, er du efterfølgende forpligtet til at rapportere resultater separat for hvert niveau af det kovariable—noget der skærer din magt i mindst halvdelen. I epidemiologi ser vi således sjældent bevis for effektmodifikation rapporteret i litteraturen. Lang historie kort, ” anderledes “nok til effekt modifikation er” utvetydigt anderledes.”
når du læser artikler, effektændring kaldes undertiden interaktion, eller forfatterne siger måske bare, at de rapporterer stratificerede analyser. Enhver af disse 3 sætninger er en anelse om, at der er en variabel, der fungerer som en effektmodifikator.
Effektmodifikation eksempel II
efter den boligbobledrevne recession i 2008 (Dette er eksponeringen) mistede den amerikanske økonomi en masse job. Her er en graf, der viser antallet af mennesker, der arbejdede (resultatet) før, under og efter recessionen. Resultaterne præsenteres stratificeret efter køn (en kovariabel), hvilket betyder, at analytikeren mistænkte, at køn muligvis fungerer som en effektmodifikator. Faktisk er resultaterne lidt forskellige: mænd (i blåt) mistede en større andel af job, og fra 2014 var de endnu ikke kommet sig til niveauet før recessionen, mens kvinder (i rødt) mistede færre job og i 2014 var fuldt ud kommet sig.
kilde: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUs
hvad hvis vi også stratificerer efter alder? Først, her er en graf, der viser, hvordan recessionen påvirkede job for mennesker i alderen 55 og ældre:
kilde: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUt
recessionen påvirkede slet ikke Ældre arbejdende amerikanere. Vi ser heller ikke effektændring efter køn – 2 linjer er næsten parallelle.
hvad med unge voksne?
kilde: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUv
her har vi store effektændringer efter køn—unge mænd mistede en stor del af de ledige job og var ikke kommet helt tilbage fra 2014. Dette er ikke overraskende, da recessionen stort set skyldtes boligboblen, og bygningsarbejdere er for det meste unge mænd. I modsætning hertil mistede unge kvinder en lille del af jobene og kom sig hurtigt til bedre niveauer end præcession.
endelig ser vi på job for 25 Til 54-årige:
kilde: https://fred.stlouisfed.org/graph/?id=LNS12000061
her ser vi et meget dyster billede. I denne aldersgruppe gik job tabt—mere for mænd end kvinder—og fra 2014 var det slet ikke kommet sig.
når vi undersøger jobmarkedets reaktion på recessionen i 2008, ser vi således en betydelig effektændring efter alder (jobgendannelse varierede drastisk efter alder) og inden for nogle aldersgrupper også nogle tegn på effektændring efter køn. Virkningerne af recessionen på job var forskellige for mennesker i forskellige aldre og køn.
dette er vigtigt, fordi de politiske konsekvenser ville være meget forskellige. Forestil dig, at du arbejdede som en del af den føderale regering og forsøgte at designe en økonomisk stimulans eller genopretningspakke. Hvis de eneste data, du havde, kom fra den første graf, uden aldersopdelinger, ville de potentielle politiske løsninger være meget forskellige, end hvis du også havde adgang til den stratificerede analyse efter alder.
med confounding får du oprindeligt det forkerte svar, fordi confounderen ikke fordeles jævnt mellem dine grupper. Dette fordrejer det mål for tilknytning, som du beregner (husk: at have større fødder er kun forbundet med læsehastighed på grund af forvirring efter klassetrin). Så i stedet skal du genberegne målingen af foreningen, denne gang justere for confounder.
med effektændring får du også oprindeligt det forkerte svar, men denne gang skyldes det, at din prøve indeholder mindst 2 undergrupper, hvor eksponerings – /sygdomsforeningen er forskellig. I dette tilfælde skal du permanent adskille disse undergrupper og rapportere resultater (som måske eller måske ikke forvirres af stadig andre kovariabler) separat for hvert lag: i dette tilfælde har mænd, der sover mindre, højere GPA ‘er end mænd, der sover mere, men på samme tid har kvinder, der sover mere, højere GPA’ er end kvinder, der sover mindre.
her er en oversigtstabel, der angiver processen til håndtering af potentielle confounders og effektmodifikatorer. Meget af processen er den samme uanset hvilken type kovariabel du har (i alle tilfælde skal du måle det kovariable under dit studie og måle det godt!). Områder med forskel er vist i rødt.
| Confounding | effekt modifikation | |
| før du planlægger en undersøgelse | tænk på, hvilke variabler der kan fungere som confounders baseret på hvad du ved om eksponerings – /sygdomsprocessen under undersøgelse. | tænk over, hvilke variabler der kan fungere som effektmodifikatorer baseret på hvad du ved om eksponerings – /sygdomsprocessen under undersøgelse. |
| under en undersøgelse | indsamle data om potentielle kovariabler—stratificerede/justerede analyser kan ikke udføres uden data om kovariable! | indsamle data om potentielle kovariabler—stratificerede/justerede analyser kan ikke udføres uden data om kovariable! |
| analyse: trin 1 | Beregn det rå mål for forening (ignorerer det kovariable). | Beregn det rå mål for forening (ignorerer det kovariable). |
| analyse: Trin 2 | Beregn stratumspecifikke associeringsforanstaltninger, således at hvert niveau af den kovariable har sin egen 2 gange 2 tabel. | Beregn stratumspecifikke associeringsforanstaltninger, således at hvert niveau af det kovariable har sin egen 2H2-tabel. |
| analyse: trin 3 | hvis de stratumspecifikke foranstaltninger ligner hinanden og mindst 10% anderledes end rå (som ikke falder mellem dem), så er den kovariable en confounder. | hvis de stratumspecifikke foranstaltninger er forskellige fra hinanden, og den rå ligger mellem dem, så er den kovariable en effektmodifikator. |
| Skriveresultater | Rapporter et justeret mål for tilknytning, der styrer forvirringen. | rapporter de stratumspecifikke associeringsforanstaltninger. |
Forestil dig at du laver en tværsnitsundersøgelse af fysisk aktivitet og demens hos ældre, og du beregner et ujusteret oddsforhold (eller) på 2,0. Du tror, at civilstand kan være en vigtig kovariabel, så du stratificerer ved “i øjeblikket gift” versus “ikke i øjeblikket gift” (som omfatter aldrig gift, skilt og enke). OR blandt i øjeblikket gifte mennesker er 3,1, og blandt ikke i øjeblikket gifte mennesker er OR 3,24. I dette tilfælde fungerer civilstand som en confounder, og vi vil rapportere den justerede eller (som ville være 3,18 eller deromkring).
Forestil dig, at du foretager et randomiseret forsøg med en middelhavsdiæt for at forhindre for tidlig fødsel hos gravide kvinder. Du udfører forsøget og beregner en RR på 0,90. Du tror, at paritet måske kan være en vigtig kovariabel, så du foretager en stratificeret analyse. Blandt nulliparas er RR 0,60, og blandt multiparas er RR 1,15. Disse er forskellige fra hinanden, og det rå ligger mellem dem. I dette tilfælde fungerer paritet som en effektmodifikator, og så vil du rapportere de 2 stratumspecifikke RRs separat.
Forestil dig, at du laver en case-control undersøgelse af melanom og forudgående garvning seng brug. Den rå eller er 3,5, men måske er køn en vigtig kovariabel. Den stratificerede analyse giver en OR på 3,45 blandt mænd og 3,56 blandt kvinder. I dette tilfælde er det kovariable (køn) hverken en forvirrer eller en effektmodifikator. Vi siger, at det ikke er en confounder, fordi (1) råstoffet ligger mellem de 2 stratumspecifikke estimater, men også (2) de stratumspecifikke estimater er ikke mere end 10% forskellige fra råmaterialet. Vi siger, at det ikke er en effektmodifikator, fordi 3, 45 og 3, 56 ikke er så forskellige—i begge tilfælde er der en betydelig effekt (cirka 3, 5 gange så høj). Vi vil rapportere det rå skøn over forening, da det hverken kræver justering eller stratificering for at tage højde for virkningerne af køn.
Ja! Normalt ser vi dette, når den pågældende kovariable er en kontinuerlig variabel, dikotomiseret med det formål at kontrollere for effektmodifikation. For eksempel, hvis vi tror, at alder kan være en effektmodifikator, kan vi opdele vores prøve i “gammel” og “ung” til den stratificerede analyse—siger ældre end 50 mod 50 eller yngre. I det omfang, at 51-årige ikke er som 70-årige, kan vi gå glip af nogle vigtige nuancer i resultaterne, muligvis fordi der i dataene findes yderligere effektændring med flere kategorier (som ville tabe strømmen til næsten ingenting, hvis vi skulle rapportere separat om yderligere lag) eller “resterende” forvirrende som diskuteret i det foregående kapitel. Yderligere detaljer er uden for denne Bogs rækkevidde, men ved, at den samme kovariable teoretisk kan fungere som både en forvirrer og en effektmodifikator—men at man sjældent ser dette i praksis.
konklusion
i modsætning til confounding, hvis virkninger vi ønsker at slippe af med i vores Analyse, er effektmodifikation et interessant fund i sig selv, og vi rapporterer det. For at kontrollere effektmodifikation skal du foretage en stratificeret analyse. Hvis de stratumspecifikke associeringsforanstaltninger er forskellige end hinanden, og råden ligger mellem dem, er det sandsynligt, at den pågældende variabel fungerer som en effektmodifikator. Rapporter resultaterne separat for hvert lag af det kovariable.
en endelig, sæt-det-alt-sammen bord:
| hvis disse er dine ORs / RRs: | ||||
| rå / ujusteret | Stratum | Stratum | så er den kovariable… | og du vil rapportere… |
| 2.0 | 1.0 | 3.2 | en effektmodifikator | de 2 stratumspecifikke associeringsforanstaltninger |
| 2.0 | 3.5 | 3.6 | en confounder | et justeret mål |
| 2.0 | 1.9 | 2.0 | intet interessant | den rå foranstaltning |
en systematisk fejl i en undersøgelse (nogle kalder det en bias; jeg foretrækker ikke at), der skyldes en tredje variabel, der forstyrrer eksponeringssygdomsforholdet.
henviser til scenariet, hvor forholdet mellem en eksponering og et resultat varierer på grundlag af en tredje variabel. For eksempel forhindrer yoga måske ACL-skader hos kvinder, men ikke mænd. Køn i dette scenario er effektmodifikatoren. Effekt modifikation er ikke det samme som confounding.
sandsynligheden for, at din undersøgelse vil finde noget, der er der. Strøm = 1-liter; beta er type II fejlfrekvens. Små undersøgelser eller undersøgelser af sjældne hændelser er typisk underdrevne.
hvor mange børn en kvinde har haft. Nulliparøse kvinder (aka nulliparas) har endnu ikke haft deres første barn (de kan være gravide, men har ikke haft barnet endnu), og parøse kvinder har haft mindst et tidligere barn. Multiparas har haft mindst to tidligere børn; primiparas har haft et tidligere barn.
dette er en kvindes første graviditet.
denne kvinde har haft andre børn.